Retrieval Augmented Generation (RAG) ist ein Verfahren, bei dem ein Sprachmodell vor dem Antworten passende Informationen nachschlägt. Statt nur aus seinem Trainingswissen zu schöpfen, sucht es zuerst in einer Datenquelle – etwa im Web oder in Firmendokumenten – und baut die Treffer in die Antwort ein.
Der Name beschreibt die zwei Schritte: Abrufen (Retrieval) und Erzeugen (Generation).
Wie funktioniert RAG?
Vereinfacht läuft RAG in drei Schritten ab:
- Die Frage wird in eine oder mehrere Suchanfragen übersetzt.
- Ein Suchsystem findet passende Dokumente und wählt die relevantesten Textabschnitte aus.
- Das Large Language Model formuliert daraus eine Antwort und nennt im besten Fall die Quellen.
So bleiben Antworten aktuell, und das Modell erfindet seltener etwas. KI-Suchen wie Perplexity, die Websuche in ChatGPT und die AI Overviews von Google arbeiten nach diesem oder einem ähnlichen Prinzip.
Warum ist RAG wichtig?
RAG ist der Grund, warum klassische Sichtbarkeit und KI-Sichtbarkeit zusammenhängen: Was eine KI-Suche nicht findet, kann sie nicht zitieren. Deine Inhalte müssen also crawlbar, indexiert und gut auffindbar sein – bei Google und in den Suchsystemen der KI-Anbieter.
Dazu kommt die Form: Ausgewählt werden einzelne Abschnitte, nicht ganze Seiten. Klare Absätze, die eine Frage für sich allein beantworten, werden eher übernommen. Mit einer laufenden GEO Betreuung baust du Inhalte so auf, dass sie als Quelle in KI-Antworten landen – ob für eine Praxis, einen Online-Shop oder ein SaaS-Produkt.
